DOI: https://doi.org/10.3389/froh.2025.1463458
PMID: https://pubmed.ncbi.nlm.nih.gov/40104076
تاريخ النشر: 2025-03-04
المؤلف: Pradeep Kumar Yadalam وآخرون
الموضوع الرئيسي: الميكروبيولوجيا الفموية وبحوث التهاب اللثة
نظرة عامة
تبحث الدراسة في دور أنواع معينة من البكتيريا، وخاصة *Porphyromonas gingivalis* و *Fusobacterium nucleatum*، في مسببات مرض الزهايمر من خلال تفاعلها مع الجهاز العصبي المركزي. تُتهم هذه البكتيريا بالتسبب في التهاب الأعصاب عبر عوامل ضراوتها، التي تؤثر على الخلايا النجمية، والميكروغليا، والعصبونات. تؤكد الدراسة على أهمية جينات المحاور التفاعلية، التي تعتبر حاسمة في شبكات تفاعل البروتينات والبروتينات وقابلة للتعطيل، مما يمكن أن يؤدي إلى أمراض متنوعة، بما في ذلك الاضطرابات التنكسية العصبية. باستخدام تقنيات التعلم الآلي، تهدف الدراسة إلى تحديد جينات المحاور المعبر عنها بشكل مختلف في التهاب اللثة الناتج عن هذه البكتيريا ومقارنتها بتلك الموجودة في مرض الزهايمر.
باستخدام مجموعة بيانات GSE222136، استخدم الباحثون أداة GEO2R لتحليل التعبير الجيني التفاضلي وأدوات المعلوماتية الحيوية مثل Cytoscape و CytoHubba لبناء شبكات التعبير الجيني. استخدمت الدراسة الانحدار اللوجستي وتعزيز التدرج الخفيف للتنبؤ بجينات المحاور التفاعلية، محددةً جينات رئيسية مثل TNFRSF9، LZIC، TNFRSF8، SLC45A1، GPR157، و SLC25A33، المرتبطة بخلل وظيفي في الأوعية الدموية في خلايا الدماغ. تفوق نموذج الانحدار اللوجستي على نموذج تعزيز التدرج الخفيف، محققًا دقة بنسبة 67% مقارنة بـ 60%. تشير النتائج إلى أنه بينما تمتلك كلا النموذجين إمكانيات لمزيد من التحسين، فإن الانحدار اللوجستي يقدم حاليًا نهجًا أكثر موثوقية للتنبؤ بجينات المحاور المرتبطة بمرض اللثة ومرض الزهايمر.
مقدمة
تناقش مقدمة ورقة البحث مرض الزهايمر (AD)، وهو اضطراب عصبي تدريجي يتميز بالتدهور المعرفي، بما في ذلك فقدان الذاكرة وصعوبات في التواصل، والذي تم التعرف عليه لأول مرة بواسطة ألويس الزهايمر في عام 1906. تشمل الميزات المرضية الرئيسية للزهايمر التشابكات العصبية الليفية واللويحات الأميلويدية. تستكشف الورقة أيضًا العلاقة بين مرض اللثة (PD) ومرض الزهايمر، مشيرةً إلى أن اختلال التوازن الميكروبي الفموي في مرض اللثة قد يسهل دخول البكتيريا الفموية إلى الدماغ، مما قد يساهم في تطور مرض الزهايمر. تم الإشارة إلى مسببات محددة، مثل *Porphyromonas gingivalis* وأنواع *Treponema*، في هذه العملية، مع وجود أدلة على وجودها في أنسجة مرضى الزهايمر.
تسلط المقدمة الضوء على دور عوامل الضراوة من هذه البكتيريا، مثل الليبوسكريات (LPS) والجنجيباين، في تعزيز التهاب الأعصاب وإتلاف الأنسجة العصبية. بالإضافة إلى ذلك، تؤكد على أهمية جينات المحاور التفاعلية في تنظيم الخلايا وإمكانية تعطيلها في أمراض متنوعة، بما في ذلك الاضطرابات التنكسية العصبية. تهدف الدراسة إلى استخدام تقنيات التعلم الآلي، وبشكل خاص نماذج تعزيز التدرج الخفيف والانحدار اللوجستي، لتحديد جينات المحاور المعبر عنها بشكل مختلف المرتبطة بالتهاب اللثة الناتج عن *P. gingivalis* و *Fusobacterium nucleatum* وارتباطها بمرض الزهايمر، مما يعزز دقة التشخيص ويعطي معلومات حول استراتيجيات العلاج.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. تتفصل في المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، بالإضافة إلى مصادرها وطرق تحضيرها. يصف القسم أيضًا المنهجيات المطبقة لجمع البيانات وتحليلها، مما يضمن إمكانية تكرار النتائج.
تُبرز التقنيات والبروتوكولات الرئيسية، بما في ذلك أي تحليلات إحصائية تم إجراؤها للتحقق من النتائج. يؤكد القسم على الالتزام بالإرشادات والمعايير الأخلاقية ذات الصلة بسياق البحث، مما يضمن أن جميع التجارب قد أُجريت بمسؤولية وتحت إشراف مناسب. بشكل عام، يعمل هذا القسم كدليل شامل للإطار التجريبي الذي يدعم استنتاجات الدراسة.
نتائج
تشير النتائج إلى أن كلا من نماذج تعزيز التدرج الخفيف والانحدار اللوجستي تتنبأ بفعالية بالنتائج المتعلقة بجينات المحاور التفاعلية في التهاب اللثة ومرض الزهايمر، محققةً دقة بنسبة 68%. تظهر النماذج دقة بنسبة 68.75% واسترجاع عالي بنسبة 97.06%، مما يؤدي إلى درجة F1 تبلغ حوالي 0.80، مما يعكس توازنًا بين الدقة والاسترجاع. تعتبر هذه الاسترجاع العالي ذات قيمة خاصة لتحديد العلامات الجينية المحتملة المعنية في عمليات المرض، بينما تعتبر الدقة حاسمة لتقليل الإيجابيات الكاذبة والتشخيصات الخاطئة. أكد تحليل التعبير الجيني التفاضلي تحديد جينات المحاور، حيث أظهرت LZIC أعلى دلالة، تليها TNFRSF9، بينما كانت CD30 غائبة عن مجموعة البيانات.
كشف تحليل الشبكة باستخدام Cytoscape عن جينات المحاور الرئيسية، بما في ذلك TNFRSF9، LZIC، TNFRSF8، SLC45A1، GPR157، و SLC25A33، التي يتم تحفيزها بواسطة *Porphyromonas gingivalis* و *Fusobacterium nucleatum*، المتهمة في الخلل الوظيفي الوعائي في خلايا الدماغ. أظهر تحليل منحنى ROC قدرة النماذج على التمييز بين الفئات الإيجابية والسلبية، مع منطقة تحت المنحنى (AUC) تشير إلى الأداء العام. أوضح مصفوفة الالتباس أيضًا قدرات النماذج التنبؤية، موضحًا الإيجابيات الحقيقية، السلبيات الحقيقية، الإيجابيات الكاذبة، والسلبيات الكاذبة، والتي تعتبر ضرورية لتقييم أداء النموذج في التطبيقات السريرية لتجديد اللثة. تم الإبلاغ عن معدلات الدقة لنموذج الانحدار اللوجستي وتعزيز التدرج الخفيف بنسبة 67% و 60%، على التوالي.
مناقشة
في هذه الدراسة، استخدم المؤلفون مجموعة بيانات GSE222136 من NCBI Gene Expression Omnibus للتحقيق في العلاقة بين التهاب اللثة ومرض الزهايمر، مع التركيز على دور مسببات الأمراض اللثوية المحددة، وهي *Fusobacterium nucleatum* و *Porphyromonas gingivalis*. قاموا بإجراء تحليل التعبير التفاضلي باستخدام أداة GEO2R، محددين الجينات المعبر عنها بشكل مختلف (DEGs) ومن ثم بنوا شبكات التعبير الجيني باستخدام Cytoscape وملحق CytoHubba لتحديد جينات المحاور الحاسمة في مسببات كلا المرضين. كشفت التحليلات عن عدة جينات محاور، بما في ذلك TNFRSF9، LZIC، و SLC25A33، المرتبطة بتنظيم المناعة، والنقل الخلوي، ووظيفة الميتوكوندريا، مما يشير إلى إمكانياتها كأهداف علاجية.
استخدم المؤلفون نماذج الانحدار اللوجستي وتعزيز التدرج الخفيف (LightGBM) للتنبؤ بجينات المحاور التفاعلية، حيث أظهر نموذج الانحدار اللوجستي أداءً متفوقًا، محققًا دقة بنسبة 67% وحساسية عالية بنسبة 97.06%. تؤكد الدراسة على أهمية الاستجابات المناعية في تقدم كل من التهاب اللثة ومرض الزهايمر، مدعومةً بنتائج تشير إلى ارتفاع أنواع خلايا المناعة في كلا الحالتين. على الرغم من النتائج الواعدة، يعترف المؤلفون بالقيود المتعلقة بجودة البيانات، وحجم العينة، والانحيازات المحتملة في أداء النموذج، مما يبرز الحاجة إلى مزيد من التحسين والتحقق من النماذج التنبؤية لتعزيز قابليتها السريرية في فهم التفاعل بين مسببات الأمراض اللثوية والأمراض التنكسية العصبية.
DOI: https://doi.org/10.3389/froh.2025.1463458
PMID: https://pubmed.ncbi.nlm.nih.gov/40104076
Publication Date: 2025-03-04
Author(s): Pradeep Kumar Yadalam et al.
Primary Topic: Oral microbiology and periodontitis research
Overview
The research investigates the role of specific bacterial species, particularly *Porphyromonas gingivalis* and *Fusobacterium nucleatum*, in the pathogenesis of Alzheimer’s disease through their interaction with the central nervous system. These bacteria are implicated in neuroinflammation via their virulence factors, which affect astrocytes, microglia, and neurons. The study emphasizes the importance of interactomic hub genes, which are critical in protein-protein interaction networks and susceptible to disruptions that can lead to various diseases, including neurodegenerative disorders. Utilizing machine learning techniques, the study aims to identify differentially expressed hub genes in periodontitis induced by these bacteria and compare them to those in Alzheimer’s disease.
Using the GSE222136 dataset, the researchers employed the GEO2R tool for differential gene expression analysis and bioinformatics tools like Cytoscape and CytoHubba to construct gene expression networks. The study applied logistic regression and light gradient boosting to predict interactomic hub genes, identifying key genes such as TNFRSF9, LZIC, TNFRSF8, SLC45A1, GPR157, and SLC25A33, which are linked to endothelial dysfunction in brain cells. The logistic regression model outperformed the light gradient boosting model, achieving an accuracy of 67% compared to 60%. The findings suggest that while both models have potential for further refinement, logistic regression currently offers a more reliable approach for predicting hub genes associated with periodontal disease and Alzheimer’s disease.
Introduction
The introduction of the research paper discusses Alzheimer’s Disease (AD), a progressive neurological disorder characterized by cognitive decline, including memory loss and difficulties in communication, first identified by Alois Alzheimer in 1906. Key pathological features of AD include neurofibrillary tangles and amyloid-beta plaques. The paper also explores the relationship between periodontal disease (PD) and AD, noting that oral dysbiosis in PD may facilitate the entry of oral bacteria into the brain, potentially contributing to AD development. Specific pathogens, such as *Porphyromonas gingivalis* and *Treponema* species, have been implicated in this process, with evidence of their presence in AD patients’ tissues.
The introduction highlights the role of virulence factors from these bacteria, such as lipopolysaccharide (LPS) and gingipains, in promoting neuroinflammation and damaging neural tissues. Additionally, it emphasizes the importance of interactomic hub genes in cellular regulation and their potential disruption in various diseases, including neurodegenerative disorders. The study aims to utilize machine learning techniques, specifically light gradient boosting and logistic regression models, to identify differentially expressed hub genes associated with *P. gingivalis* and *Fusobacterium nucleatum*-induced periodontitis and their connection to AD, thereby enhancing diagnostic accuracy and informing therapeutic strategies.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as their sources and preparation methods. The section also describes the methodologies applied for data collection and analysis, ensuring reproducibility of the results.
Key techniques and protocols are highlighted, including any statistical analyses performed to validate findings. The section emphasizes adherence to ethical guidelines and standards relevant to the research context, ensuring that all experiments were conducted responsibly and with appropriate oversight. Overall, this section serves as a comprehensive guide to the experimental framework that underpins the study’s conclusions.
Results
The results indicate that both the Light Gradient Boosting and Logistic Regression models effectively predict outcomes related to interactomic hub genes in periodontitis and Alzheimer’s disease, achieving an accuracy of 68%. The models exhibit a precision of 68.75% and a high recall of 97.06%, resulting in an F1 score of approximately 0.80, which reflects a balanced trade-off between precision and recall. This high recall is particularly valuable for identifying potential genetic markers involved in disease processes, while precision is crucial for minimizing false positives and misdiagnoses. Differential gene expression analysis confirmed the identification of hub genes, with LZIC showing the highest significance, followed by TNFRSF9, while CD30 was absent from the dataset.
Network analysis using Cytoscape revealed key hub genes, including TNFRSF9, LZIC, TNFRSF8, SLC45A1, GPR157, and SLC25A33, which are induced by *Porphyromonas gingivalis* and *Fusobacterium nucleatum*, implicated in endothelial dysfunction in brain cells. The ROC curve analysis demonstrated the models’ ability to distinguish between positive and negative classes, with the Area Under the Curve (AUC) indicating overall performance. The confusion matrix further elucidated the models’ predictive capabilities, detailing true positives, true negatives, false positives, and false negatives, which are essential for evaluating model performance in clinical applications for periodontal regeneration. The accuracy rates for Logistic Regression and Light Gradient Boosting were reported at 67% and 60%, respectively.
Discussion
In this study, the authors utilized the GSE222136 dataset from the NCBI Gene Expression Omnibus to investigate the relationship between periodontitis and Alzheimer’s disease, focusing on the role of specific periodontal pathogens, namely *Fusobacterium nucleatum* and *Porphyromonas gingivalis*. They performed differential expression analysis using the GEO2R tool, identifying differentially expressed genes (DEGs) and subsequently constructed gene expression networks with Cytoscape and the CytoHubba plugin to pinpoint hub genes critical to the pathogenesis of both diseases. The analysis revealed several hub genes, including TNFRSF9, LZIC, and SLC25A33, which are implicated in immune regulation, cellular transport, and mitochondrial function, suggesting their potential as therapeutic targets.
The authors employed logistic regression and Light Gradient Boosting (LightGBM) models for predicting interactomic hub genes, with the logistic regression model demonstrating superior performance, achieving an accuracy of 67% and a high sensitivity of 97.06%. The study emphasizes the importance of immune responses in the progression of both periodontitis and Alzheimer’s disease, supported by findings of elevated immune cell types in both conditions. Despite the promising results, the authors acknowledge limitations related to data quality, sample size, and potential biases in model performance, underscoring the need for further refinement and validation of predictive models to enhance their clinical applicability in understanding the interplay between periodontal pathogens and neurodegenerative diseases.